基于极限学习机的分类算法及在故障识别中的应用

裘日辉, 刘康玲, 谭海龙, 梁 军

(浙江大学 工业控制技术国家重点实验室,浙江 杭州 310027)



基于极限学习机的分类算法及在故障识别中的应用

裘日辉, 刘康玲, 谭海龙, 梁 军

(浙江大学 工业控制技术国家重点实验室,浙江 杭州 310027)

利用极限学习机(ELM)分类器的结构特点重新设计面向多分类任务的ELM分类器,提出基于ELM的优化分类算法One-Class-PCA-ELM.该算法的实现过程如下：对故障数据进行主元分析(PCA)处理,降低数据维数,去除噪声与冗余信息；将训练数据集按类分割,建立各类对应的单分类模型,整合得到One-Class-PCA-ELM分类模型；将待分类数据输入One-Class-PCA-ELM分类模型,得到待分类数据的类标号,完成分类.仿真实验结果表明,该算法保持了极限学习机极快的训练速度,具有较高的分类准确率及较理想的分类稳定性.

极限学习机(ELM)；单分类；分类算法；故障识别

随着现代工业的不断发展,生产规模的日渐扩大,发生工业故障的后果随之变得更加严重.同时,现场总线技术、集散控制系统等的广泛应用使得工业过程的大量数据得以保存[1],因此,基于数据驱动的过程建模与故障识别受到广泛关注并有着大量成功的应用.其中,以BP神经网络使用最广泛,但BP网络存在训练时间长、易陷入局部极小的问题[2].

极限学习机(extreme learning machine, ELM)是一种单隐含层前馈神经网络算法,相对于传统神经网络的训练方法,训练速度特别快[3-4]；大量的数值实验结果表明,该算法具有良好的泛化性能,已被应用于变压器故障诊断[5]、模拟……